经典CNN架构对比：LeNet vs VGG vs ResNet
从 LeNet 到 ResNet，CNN 架构在不断加深，解决了梯度消失和性能瓶颈问题。
| 对比项 | LeNet-5 | VGG-16 | ResNet-50 |
|---|---|---|---|
| 提出年份 | 1998 | 2014 | 2015 |
| 网络深度 | 约7层 | 16-19层 | 50/101/152层 |
| 核心创新 | 卷积+池化基本结构 | 小卷积核(3x3)堆叠 | 残差连接⭐ |
| 参数量 | 约6万 | 约1.38亿 | 约2550万 |
| 梯度消失 | 不适用（浅） | 严重 | 通过残差解决⭐ |
| 训练难度 | 容易 | 较难 | 中等（残差帮助） |
| ImageNet表现 | 未测试 | Top-5: 92.7% | Top-5: 94.8%⭐ |
| 影响 | CNN开山之作 | 证明深度有效 | 使超深网络成为可能⭐ |
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
2015年ResNet用"跳跃连接"让网络深度从22层(VGG)飙升到152层，还更容易训练。何恺明后来回忆，灵感来自一个反直觉的观察：更深的网络训练误差反而更高——不是因为过拟合，而是因为深层网络根本优化不动。残差连接让"更深更好"重新成立。
经典CNN架构包括LeNet、AlexNet、VGG、GoogLeNet和ResNet等，它们逐步推动了深度学习在视觉领域的发展。
这些坑别踩
误区 1
ResNet的残差连接只是一个小技巧不重要。
正确理解
残差连接是深度学习的里程碑创新，它解决了深层网络退化问题，使训练上百上千层网络成为可能，深刻影响了后续架构设计。
误区 2
越新的架构一定比旧的好。
正确理解
架构选择应考虑任务需求、计算资源和精度要求，轻量级任务可能用MobileNet而非最新大模型，新架构在特定场景未必更优。
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
关于 LeNet-5，下列描述正确的是？
AlexNet 在 2012 年 ImageNet 夺冠的关键创新不包括以下哪项？
VGG 网络的核心设计思想是？
ResNet 解决深层网络训练难题的核心机制是？
面试经典题
共 5 题 · 先思考再看答案
请按时间顺序简述 LeNet、AlexNet、VGG、GoogLeNet、ResNet 的核心贡献。
详细解释 ResNet 残差连接的原理，以及它为什么能解决梯度消失/退化问题。
Inception 模块的设计思想是什么？1×1 卷积在其中起什么作用？
从 LeNet 到 ResNet，CNN 在结构设计上经历了哪些关键演进？背后的驱动思想是什么？
为什么 ResNet 之后出现了 DenseNet、Wide ResNet 等变体？它们解决了什么问题？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺